一、现状分析：

为什么你的 Token 在“燃烧”？目前的 OpenClaw（及同类 Agent）在处理复杂任务时，存在严重的**“智力开销冗余”**：

1. 全量堆叠（Message Bloat）：
2. 当 Agent 调用 read_file 读取一个 500 行的文件时，这 500 行内容会永久留在 messages 数组中。接下来的每一轮对话，模型都要重新“阅读”这 500 行，哪怕它只需要其中一行代码。
3. 缺乏“懒加载”机制，
4. Agent 就像一个记性太好但不懂筛选的人。你发一个“嗯”，它会把过去所有的聊天记录、工具定义、庞大的文件内容全部打包发给模型。
5. 线性思维 vs 层次思维：
6. 原版 Agent 倾向于直接“暴力读取”。而高效的人类操作电脑是：看目录 -> 定位子目录 -> 识别文件名 -> 确认后再打开文件。

二、核心优化方案：

引入“中间件”架构 为了解决上述问题，我们对 OpenClaw 进行了深度改造，核心逻辑是从“线性全量传输”转向“按需按次调取”。

1. 文件系统“懒加载”中间件 (Filesystem Middleware)
   • 策略：拦截超大 toolResult。
   • 做法：如果 read_file 返回内容超过阈值（如 50KB），中间件会将其截断并存入 .openclaw/cache/。
   • 反馈：只给模型发送一个**“指针”**（包含：文件路径、大小、前 500 字预览）。
   • 效果：模型如果觉得预览不够，会主动通过 read_file(offset, limit) 精准读取，不再一次性吞下整头象。
2. 浅进式语义记忆 (Semantic Compaction)
   • 策略：历史记录“动态脱落”与“滚动摘要”。
   • 做法：当对话轮次过多，中间件会自动对老旧对话进行核心摘要。
   • 效果：保留“我们之前做了什么”的结论，丢掉“Agent 思考时的碎碎念”。
3. 目录感知优先 (Directory-First Navigation)
   • 策略：改变 Agent 的寻址心智模型。
   • 做法：在系统提示词（System Prompt）中强制要求 Agent 优先使用 ls 或目录树。
   • 类比：就像找书。先看书架标签，再看书名，最后翻开特定页。这比把整个图书馆的字都复印一遍带在身上要高效得多。

三、优化前后的直观对比特性

四、总结：从“能跑”到“好用”

这次改版不仅是为了省钱（Token 消耗减低约 60%-80%），更重要的是提升了 Agent 处理超大规模代码库的能力。当 Context 不再被垃圾信息充斥，模型的逻辑推理能力（Reasoning）会显著增强，不再因为信息干扰而“胡言乱语”。

总结

1. 原版 OpenClaw 核心问题是全量堆叠导致 Token 冗余消耗，且采用线性暴力读取的低效逻辑；
2. 优化核心是引入中间件架构，通过懒加载、语义压缩、目录优先导航实现按需调取；
3. 优化后 Token 消耗降低 60%-80%，同时提升了模型推理能力和大规模代码库处理能力。

转载：https://www.douyin.com/article/7607210285577818745